基本上我正在编写一个峰值发现功能,需要能够scipy.argrelextrema在基准测试中击败。这是我正在使用的数据的链接,以及代码:
如果此链接过期,则可以在dukascopy银行的在线历史数据下载程序中找到该数据。import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv('EUR_USD.csv')
data.columns = ['Date', 'open', 'high', 'low', 'close','volume']
data.Date = pd.to_datetime(data.Date, format='%d.%m.%Y %H:%M:%S.%f')
data = data.set_index(data.Date)
data = data[['open', 'high', 'low', 'close']]
data = data.drop_duplicates(keep=False)
price = data.close.values
def fft_detect(price, p=0.4):
trans = np.fft.rfft(price)
trans[round(p*len(trans)):] = 0
inv = np.fft.irfft(trans)
dy = np.gradient(inv)
peaks_idx = np.where(np.diff(np.sign(dy)) == -2)[0] + 1
valleys_idx = np.where(np.diff(np.sign(dy)) == 2)[0] + 1
patt_idx = list(peaks_idx) + list(valleys_idx)
patt_idx.sort()
label = [x for x in np.diff(np.sign(dy)) if x != 0]
# Look for Better Peaks
l = 2
new_inds = []
for i in range(0,len(patt_idx[:-1])):
search = np.arange(patt_idx[i]-(l+1),patt_idx[i]+(l+1))
if label[i] == -2:
idx = price[search].argmax()
elif label[i] == 2:
idx = price[search].argmin()
new_max = search[idx]
new_inds.append(new_max)
plt.plot(price)
plt.plot(inv)
plt.scatter(patt_idx,price[patt_idx])
plt.scatter(new_inds,price[new_inds],c='g')
plt.show()
return peaks_idx, price[peaks_idx]
它基本上使用快速傅里叶变换(FFT)对数据进行平滑,然后使用导数找到平滑数据的最小和最大索引,然后在未平滑数据上找到相应的峰值。有时它找到的峰值由于某些平滑效应而不是主意,所以我运行这个for循环来搜索指定边界之间的每个索引的更高或更低的点l。我需要帮助矢量化这个for循环!我不知道该怎么做。如果没有for循环,我的代码会快50%scipy.argrelextrema,但for循环会减慢它的速度。因此,如果我能找到一种方法来对其进行矢量化,那么它将是一种非常快速,非常有效的替代方案scipy.argrelextrema。这两个图像分别表示没有for循环和循环的数据。